Concept-Drifting環境に適応可能なクラシファイアアンサンブルシステム(一般, 進化・発進の現象とモデル, 一般)  [in Japanese] Adaptive Classifiers-Ensemble System for Concept-Drifting Environments  [in Japanese]

機械学習アルゴリズムの多くは静的環境を想定し, 多くの訓練サンプルを一度に与えられた状態で解くべきタスクに対してゼロから学習を始める.これに対して, 動的環境下において人間は逐次的に訓練サンプルを学習し, 過去の経験を新しい状況における事前知識として積極的に利用する.動的環境下における実世界問題を扱うには, 人間のような即時対応能力を機械も身につける必要があり, これまで多くの研究者によって, 隠れ文脈(hidden context)の存在と, これに伴う学習対象の変化(concept drift)を想定した学習システムが提案されてきた.近年では, 複数のクラシファイアを作成・統合して利用するシステムが提案されているが, 特定の性質のconcept driftに特化した物が多く, 特に再発するconceptへの対応に問題が残っている.本研究では, 最近の訓練サンプルに対して適応しているクラシファイアのアンサンブルを利用したオンライン学習システムを提案し, 実験結果により提案システムが突然の変化と再発するconceptに対して素早く対応できることを示す.

Most machine learning algorithms assume stationary environments, require a large number of training examples in advance, and begin the learning from scratch. In contrast, humans learn in changing environments with sequential training examples and leverage past experiences as prior knowledge in new situations. To deal with real-world problems in changing environments, the ability to make human-like quick responses must be developed in machines. Many researchers have presented learning systems that assume the presence of hidden context and concept drift. In particular, several systems have been proposed that use ensembles of classifiers. These systems are generally robust against noise, but have problems leveraging prior knowledge of recurring contexts. Also, most of the systems cannot handle all property of the concept drifts. We proposed an online learning system that uses an ensemble of classifiers suitable for recent training examples and used experiments to show that this system can leverage prior knowledge of recurring contexts and respond to sudden changes.